انجام تمرین برنامه نویسی و پیاده سازی کدها در فایل مربوطه

سلام وقت بخیر من یه تمرین برنامه نویسی دارم که میخوام برام جایگذاری شه.تمرین: 1. پیش‌پردازش داده‌ها: پاک‌سازی متن، حذف نویز، و استانداردسازی داده‌ها.2. خوشه‌بندی داده‌ها: استفاده از روش‌هایی مثل K-means یا DBSCAN برای گروه‌بندی داده‌ها.3. توسعه API: طراحی API برای اعمال مدل خوشه‌بندی بر داده‌های جدید و اکسل.4. تعیین تعداد دسته‌های بهینه: استفاده از معیارهایی مثل Silhouette یا Elbow Method.5. ارائه گزارش: نوشتن گزارشی که نتایج و توضیح API را شامل می‌شود.6. تجسم داده‌ها: ایجاد نمودارهای تصویری برای نمایش نتایج خوشه‌بندی و تجزیه و تحلیل بصری داده‌ها. اینم کداimport pandas as pdfrom sklearn.feature\_extraction.text import TfidfVectorizerfrom sklearn.cluster import KMeansimport matplotlib.pyplot as plt # خواندن داده‌ها از فایل اکسلdf = pd.read\_excel('reason.xlsx') # پیش‌پردازش متنdf\['Cleaned Text'\] = df\['C'\].str.lower().str.replace(r'\[^\w\s\]', '', regex=True) # تبدیل متن به بردارهای عددی با استفاده از TF-IDFvectorizer = TfidfVectorizer(stop\_words='english')X = vectorizer.fit\_transform(df\['Cleaned Text'\]) # تعیین تعداد بهینه خوشه‌ها با استفاده از Elbow Methodsse = \[\]K = range(2, 10)for k in K:    kmeans = KMeans(n\_clusters=k, random\_state=42)    kmeans.fit(X)    sse.append(kmeans.inertia\_) plt.plot(K, sse, 'bx-')plt.xlabel('Number of clusters')plt.ylabel('SSE')plt.title('Elbow Method For Optimal k')plt.show() # خوشه‌بندی با تعداد بهینه خوشه‌هاoptimal\_k = 4  # بر اساس نمودار Elbowkmeans = KMeans(n\_clusters=optimal\_k, random\_state=42)df\['Cluster'\] = kmeans.fit\_predict(X) # ذخیره فایل اکسل ویرایش شدهdf.to\_excel('reason\_clustered.xlsx', index=False) # تجسم داده‌هاplt.scatter(X\[:, 0\], X\[:, 1\], c=df\['Cluster'\], cmap='viridis')plt.title('Scatter Plot of Clusters')plt.show() df\['Cluster'\].value\_counts().plot(kind='bar')plt.title('Number of Data Points in Each Cluster')plt.xlabel('Cluster')plt.ylabel('Count')plt.show() من نمیدونم چه مقدار بودجه نیازه تقریبی میزنم. حرف میزنیم باهم